1、 简介
随着城市化进程的加快,道路尘土中重金属污染问题日益严重,对人体健康构成潜在威胁。重金属如Pb、Cd等具有累积性和致癌性,其通过直接摄入、呼吸吸入等途径进入人体后,可引发多种疾病。近年来,激光诱导击穿光谱(LIBS)技术因其快速、原位、多元素同步检测等优势,在环境监测领域受到广泛关注。然而,LIBS光谱受样品基体效应、等离子体不稳定性和光谱干扰等因素影响,直接定量分析存在较大误差,制约了其在实际环境样品中的应用。为提升LIBS在复杂基质样品中的定量分析能力,机器学习方法被引入光谱数据处理中。反向传播神经网络(Backpropagation Neural Network,BPNN)作为一种经典的人工神经网络模型,具有较强的非线性拟合能力和模式识别能力,已在光谱定量分析中展现出良好的应用前景。通过构建光谱特征与重金属含量之间的映射关系,BPNN可有效降低基体效应的影响,提高预测精度。
因此,本文提出一种基于BPNN结合LIBS的道路尘土重金属快速检测方法。通过采集许昌市区道路尘土样品,建立LIBS光谱数据库,构建BPNN定量预测模型,实现对多种重金属含量的快速反演,完成道路尘土中Pb、Cd等重金属含量的定量预测。本研究的创新点在于,采用LIBS技术进行重金属的快速原位检测,避免了传统化学分析方法中的复杂前处理步骤;引入海星优化算法(Starfish Optimization Algorithm,SFOA)对BPNN算法进行优化,提高了预测精度和可靠性;通过大量实际样本的光谱数据验证模型可行性。
2.研究方法
LIBS实验装置示意图,如图1所示。核心模块包括激光激励模块、激光聚焦透镜组、信号收集镜及光谱采集模块。
![]()
图1 示意图
本研究随机采集了许昌主要干线道路尘土,选取了涵盖不同污染程度(低、中、高)的代表性土壤样本,以确保实验结果的广泛适用性,总样本量达到30个,采样点依据城市功能区划系统布设,涵盖工业区、交通主干道、商业区、居民区等,并以表格形式列出了所有样本预测的重金属浓度,具体信息见表1。为建立定量模型,本实验共制备了20种浓度梯度,Pb和Cd两种污染金属的模拟尘土样本,具体信息见表2。尘土基底选用黏土成分分析标准物质(GBW03101a)、硅质砂岩成分分析标准物质(GBW03112)及泥质灰岩岩石成分分析标准物质[GBW07108(GSR-6)]三种国家标准物质并按照1∶1∶1的比例配制。
![]()
表1土壤样本基本信息
![]()
表2模拟尘土样本
3.实验与分析
3.1数据预处理结果
图2显示了不同浓度梯度下Pb的LIBS光谱响应。从全谱图可见,在200~900 nm存在多个元素的特征发射峰。图2b聚焦于Pb(Ⅰ)405.8 nm特征线,其峰强随样品中Pb浓度增加而呈现规律性增强,表明该谱线强度与Pb含量之间存在良好的正相关响应关系,适合作为定量分析的分析线。同时,该特征峰峰形尖锐、背景较低,与其他谱线分离度较好,受干扰较小。
![]()
图2 20种Pb浓度梯度模拟样本的LIBS数据
图3展示了不同Cd浓度梯度下LIBS光谱的系统性变化。全谱图3a表明,在200~900 nm,Cd特征峰与其他基体谱线得以有效区分。局部放大图3b清晰显示,位于226.5 nm处的Cd(Ⅰ)特征谱线强度,随样品中Cd浓度的增加呈现单调且规律的增强趋势。该峰形尖锐,背景较低,表明其受光谱干扰较小,适合作为Cd定量分析的特征谱线。尽管Cd通常含量较低且LIBS谱线相对较弱,但梯度样本中表现出良好的浓度剂量-峰强响应关系,证实了利用LIBS技术对该痕量重金属进行定量检测的可行性。
![]()
图3 20种Cd浓度梯度模拟样本的LIBS数据
3.2 LIBS光谱特征峰分析
图4为模拟样本的LIBS光谱特征峰分析,200~900 nm的光谱区间内收集到包括Cd、Mn、Fe、Mg、Si、Al、Ca、Ba、Sr、Na等元素的特征谱信息。通过全谱分析可以发现Pb、Cd的特征峰远小于其他元素的特征峰,即在特征提取的过程中简单的数据降维可能造成Pb、Cd特征信息的丢失,因此本文考虑首先采用主成分分析算法提取全谱的特征,然后将包含Pb、Cd的特征峰同时作为模型的输入。
![]()
图4模拟样本的LIBS光谱特征峰分析
图5揭示了LIBS特征谱线强度与重金属浓度之间的统计学定量关系。图5a表明Pb的特征峰归一化强度与其浓度高度相关,皮尔逊相关系数(Pearson's R)高达0.988 9,呈现出极佳的线性响应,这为其准确定量奠定了坚实基础。图5b中Cd也表现出明显的正相关趋势,相关系数为0.956 2,虽略低于Pb,但仍属高度相关,表明该方法对痕量Cd同样具备定量能力。总体而言,研究结果证实了所选特征谱线作为定量分析指标的可靠性,为后续建立定量模型提供了关键依据。
![]()
图5 Pb与Cd特征谱线归一化强度与其浓度的线性相关关系散点图
图7展示了SFOA-BPNN模型对Cd浓度的预测效果。图7中的训练集、验证集与测试集中的预测点均紧密分布于对角线附近,表明模型在不同数据子集上均保持了良好的预测一致性。具体来看,训练集与验证集的预测精度极高(R2均大于0.97,RMSE均低于0.15),说明模型学习充分且未出现过拟合;测试集的R2为0.966 3、RMSE为0.179 2,虽略低于前两者,但仍处于较高水平,体现出模型对未知样本具有良好的泛化能力。综合来看,该模型能够基于LIBS光谱实现Cd含量的准确、稳定预测。
![]()
图6 Pb浓度预测结果
![]()
图6 Pb浓度预测结果
图8通过条形图直观对比了LIBS方法与标准ICP-MS法对实际土壤样本中Pb、Cd含量的测定结果。整体而言,两种方法得到的浓度值在大多数样本上具有良好的一致性,条形高度相近,验证了所建LIBS定量模型在实际应用中的可靠性。结果显示,直接迁移的预测精度(R2~0.89)低于使用部分真实样本校准后的模型(R2>0.96),此差异主要源于基质效应,即真实道路尘土的复杂矿物组成、有机质及不均匀颗粒度对等离子体形成和光谱信号产生了显著干扰,而纯化学配制的模拟样本无法完全模拟。具体分析,对于Pb浓度预测(图8a),多数样本的LIBS预测值与ICP-MS测定值吻合较好。部分样本存在一定偏差,可能源于土壤基体差异对LIBS等离子体特性的影响,或光谱中存在未被完全校正的谱线干扰。对于Cd浓度预测(图8b),由于其含量通常较低且LIBS谱线相对较弱,预测值与参考值整体变化趋势保持一致,表明模型具备捕捉Cd污染分布特征的能力。综上,该对比结果证实了所开发的SFOA-BPNN模型能够有效地从LIBS光谱中反演Pb、Cd浓度,虽在绝对精度上较实验室标准方法略有差异,但已能满足快速筛查与污染分级的需求,展现了LIBS技术用于现场、实时重金属检测的巨大潜力。
![]()
图8基于SFOA-BPNN模型的LIBS预测值与ICP-MS参考值对比条形图
图9通过散点图与统计参数进一步量化了LIBS方法与标准ICP-MS方法的一致性。对于Pb与Cd浓度预测,预测值与参考值的散点均紧密分布于拟合线(y=x)附近,显示出较好的相关性。具体而言,Pb与Cd的线性拟合决定系数(R2)分别高达0.93和0.89,皮尔逊相关系数(Pearson's r)均超过0.94,表明两种方法的结果具有极强的统计一致性。残差平方和(Residual Sum of Squares,RSS)数值较小,反映了整体预测误差较低。值得注意的是,Pb的拟合方程存在一个较小的正截距(+6.64),提示模型可能存在系统性高估,这可能与Pb的特征谱线干扰或基体效应有关;而Cd的截距为1.31,说明其预测偏差不可忽视。
![]()
图9实际道路尘土样本Pb与Cd浓度预测散点图(LIBS与ICP-MS对比)
表3结果显示,SFOA-BPNN在所有指标上均显著优于PLSR,且其优化机制有效解决了标准BPNN易陷入局部最优、结果不稳定的问题,从而用实验数据证明了所提方法的先进性。SFOA独特的“探索-开发”两阶段机制及其自适应收敛因子,使其在寻优初期更有效地跳出局部最优,在后期能更精细地调优,从而在收敛速度和最终解的质量上表现出优势。
![]()
表3 SFOA-BPNN模型与PLS及BPNN方法的对比
4.结论
本研究成功构建了一种基于反向传播神经网络(BPNN)结合激光诱导击穿光谱(LIBS)的道路尘土重金属定量分析方法。通过采集许昌市区典型道路尘土样品,建立LIBS光谱数据库,并构建BPNN模型对Pb、Cd重金属含量进行定量预测,结果表明该方法具有较高的预测精度和稳定性,可实现对道路尘土重金属含量的快速检测与定量预测。
5.文献分享
![]()
![]()
产品介绍
Maria系列多通道光谱仪是一款支持多通道同步采集的专业检测设备,光谱范围覆盖紫外至近红外。该设备通过集成的光谱融合与智能分析软件,可广泛应用于前沿科学研究、工业在线监测、生物医学检测、及环境分析等领域。
产品特点
· 具备高分辨率光谱(FWHM最佳<0.03nm);
· 实现高信噪比(≥450:1)与高动态范围(≥3000:1),微弱信号检测能力突出;
· 支持多通道灵活选配(4/5/8 通道配置);
· 支持分段积分;
· 搭载高稳定性温控系统(温漂≤0.1pixel/℃,可配加热模块);
· 配备 UspectralPlus 光谱分析软件,集成多种平滑、基线扣除及标峰算法;
· 高精度外触发控制,可单独设置每台光谱仪外触发延时。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.